Paperitehtaan jätevesien aikasarja-analyysi ja vedenkäsittelyprosessien optimointi

Abstract

Paperiteollisuudessa käytetään tyypillisesti paljon vettä puun kuorinnassa sekä sellun ja paperin valmistuksessa. Käytetty vesi likaantuu prosessien aikana, joten sitä pitää puhdistaa ennen sen vesistöön laskemista. Nykyaikaisista jätevedenpuhdistusprosesseista syntyy paljon dataa, jonka avulla puhdistusprosessia voidaan analysoida, mallintaa ja optimoida.

Tämän diplomityön tarkoituksena oli tarkastella suomalaisen paperitehtaan yhteydessä sijaitsevan aktiivilaitelaitoksen puhdistusprosessia kehittyneillä aikasarja-analyysin menetelmillä. Tällaisia menetelmiä ovat ikkunoissa laskettu aikaviiveellinen ristikorrelaatio (TLWCC), empiirinen moodinpurku (EMD) ja dynaaminen trendit poistava fluktuaatioanalyysi (DDFA). Aikasarja-analyysi suoritettiin käyttämällä Python-ohjelmointikieltä ja sille toteutettuja kirjastoja.

TLWCC-analyysin perusteella ilmastukseen tulevan ja jokeen laskettavan veden kemiallisen hapenkulutuksen (COD) välillä on noin vuorokauden viive. Tämä viive vastaa ilmastuksen ja jälkiselkeytyksen yhteiskestoa. Viive on tärkeä myös puhdistamon kontrolloinnin kannalta, sillä jos ilmastukseen tulevassa vedessä havaitaan jotain poikkeavaa, puhdistamon henkilökunnalla on vuorokausi aikaa reagoida muutoksiin ennen kuin ne näkyvät jokeen laskettavassa vedessä. Lisäksi todettiin, että jokeen laskettavan veden biologista hapenkulutusta (BOD) voidaan ennustaa COD-mittauksen avulla. Mittausten välinen korrelaatio oli suuri ja binäärisellä luokittelijalla saavutettiin hyvä tarkkuus.

Ilmastuksen happipitoisuuksien ja jokeen laskettavan COD:n välillä havaittiin TLWCC-analyysin perusteella negatiivinen korrelaatio. Yksittäisten happimittausten viiveiden perusteella puhdistamon kahdesta ilmastusaltaasta toinen on hitaampi toiseen verrattuna. Viiveoptimoitujen happimittausten perusteella voitiin päätellä, että ilmastuksen happipitoisuutta ei kannata nostaa tietyn rajan yläpuolelle. Tällä perusteella puhdistusprosessia ja sen kustannuksia voisi optimoida säätelemällä ilmapumppujen toimintaa.

Sekä COD- että fosforimittauksista koostuvien aikasarjojen käytös oli DDFA-menetelmien perusteella melko yhtenäistä. Aikasarjojen jaksollisia komponentteja saatiin purettua EMD-menetelmällä. Näistä komponenteista on mahdollisesti hyötyä esimerkiksi puhdistusprosessin mallinnuksessa ja parametrien arvojen ennustamisessa. Tulosten perusteella edistyneet aikasarja-analyysin menetelmät, erityisesti TLWCC, soveltuvat jätevedenpuhdistusprosessin aikasarja-analyysiin.

In paper production, water is used in large amounts during pulp production, debarking and papermaking. This water becomes contaminated during the processes and it needs to be treated before releasing it to a body of water. Modern wastewater treatment plants produce large amounts of data from the treatment process. This data can be utilized to analyze, model and optimize the treatment process.

In this thesis, we focused on advanced time-series analysis of a Finnish industrial wastewater treatment plant. The plant treats wastewaters from a papermaking facility. The methods used include time-lagged windowed cross correlation (TLWCC), empirical mode decomposition (EMD) and dynamic detrended fluctuation analysis (DDFA). The analysis was performed by using the Python programming language and related libraries.

Based on the TLWCC analysis, there is a lag of one day between the chemical oxygen demand (COD) measurements of aeration influent and treatment plant effluent. This lag corresponds to the time it takes for the water to pass through both aeration and secondary clarification. The lag is significant in controlling the treatment plant since the personnel will have one day to react to any abnormal changes in the influent water before the changes affect the effluent. The effluent biochemical oxygen demand (BOD) could also be predicted from effluent COD. The correlation between these measurements was high and a good accuracy was achieved with a binary classifier.

A negative correlation between the dissolved oxygen measurements in aeration and effluent COD was observed. Based on the lags of the separate oxygen measurements, one of the two aeration basins appears to be slower than the other. With the lag-optimized oxygen measurements, it is not recommended to raise the dissolved oxygen concentration beyond a certain level. Based on this observation, the plant operators could optimize the usage of the air pumps and decrease operation costs.

The behavior of both COD and phosphorus measurements was relatively uniform based on the results obtained with the DDFA method. Periodic components were extracted with EMD. These components may be useful in, for example, modeling and predicting the treatment process variables. Based on the results obtained in this thesis, advanced time-series analysis methods, such as TLWCC, are well suited for the analysis of wastewater treatment processes.